用以最大化钻井钻速的控制变量确定制造技术

本发明专利技术提供一种确定用于钻井操作的控制的最优值的方法。接收来自钻井操作的钻井数据。所述钻井数据包含针对所述钻井操作期间的多个钻井控制变量中的每一者测量的多个值。使用所述经接收钻井数据确定目标函数模型。所述目标函数模型最大化所述钻井操作的钻速。接收包含用于不同钻井操作的当前钻井数据值的经测量钻井数据。通过以包含用于所述不同钻井操作的所述当前钻井数据值的所述经测量钻井数据作为输入执行所述经确定目标函数模型来确定用于所述不同钻井操作的控制的最优值。输出所述经确定最优值用于所述不同钻井操作的所述控制。

【技术实现步骤摘要】
【国外来华专利技术】用以最大化钻井钻速的控制变量确定相关申请案的交叉参考本申请案是2014年9月18日申请的第14/490,189号美国专利申请案的接续案，所述申请案的全部内容特此以引用方式并入。本申请案进一步根据35U.S.C.§119(e)主张2013年9月19日申请的第61/879,933号美国临时专利申请案的权益，所述申请案的全部内容特此以引用方式并入。
技术介绍
用于各种环境(陆地、冰地、海床、深海海床等等)中的各种工业(水、天然气、油、建筑、电信、电气等等)的所有类型及大小的钻孔可为复杂、昂贵且危险的过程。
技术实现思路
在实例实施例中，提供一种确定用于钻井操作的控制的最优值的方法。接收来自先前钻井操作的历史钻井数据。所述历史钻井数据包含针对所述先前钻井操作期间的多个钻井控制变量中的每一者测量的多个值。使用经接收历史钻井数据及神经网络模型确定目标函数模型。所述目标函数模型最大化用于所述先前钻井操作的钻速。接收包含用于不同钻井操作的当前钻井数据值的经测量钻井数据。不同的钻井操作意指不同的钻井操作的井眼不同于先前钻井操作的井眼。通过以包含用于所述不同钻井操作的所述当前钻井数据值的所述经测量钻井数据作为输入执行经确定目标函数模型来确定用于所述不同钻井操作的控制的最优值。输出经确定最优值用于所述不同钻井操作的所述控制。接收额外钻井数据，所述额外钻井数据包含针对所述多个钻井控制变量中的每一者测量的第二多个值。所述额外钻井数据是在输出所述经确定最优值用于所述不同钻井操作的所述控制之后而测量。使用经接收额外钻井数据确定第二目标函数模型。所述第二目标函数模型最大化所述先前钻井操作的钻速。接收包含用于所述不同钻井操作的第二当前钻井数据值的第二经测量钻井数据。通过以包含用于所述不同钻井操作的所述第二当前钻井数据值的所述第二经测量钻井数据作为输入执行所述经确定第二目标函数模型来确定用于所述不同钻井操作的所述控制的第二最优值。输出经确定第二最优值用于所述不同钻井操作的所述控制。在另一实例实施例中，提供一种其上存储计算机可读指令的计算机可读媒体，所述计算机可读指令在由计算装置执行时使所述计算装置执行确定用于钻井操作的控制的最优值的方法。在又另一实例实施例中，提供一种计算装置。所述计算装置包含但不限于处理器及操作地耦合到所述处理器的计算机可读媒体。所述计算机可读媒体上面具有指令，所述指令在由计算装置执行时使所述计算装置执行确定用于钻井操作的控制的最优值的方法。此类及其它实施例可任选地包含以下特征中的一或多者。所述目标函数模型可通过评估多种神经网络模型配置来确定。用于确定所述目标函数模型的所述指令可包含：定义训练数据集作为所述经接收历史钻井数据的第一部分；定义验证数据集作为所述经接收历史钻井数据的第二部分；定义第一神经网络模型配置；使用经定义训练数据集基于经定义第一神经网络模型配置来训练第一神经网络模型；以经定义验证数据集作为经训练第一神经网络模型的输入来预测模型输出数据；比较经预测模型输出数据与所述验证数据集的输出数据；及基于比较所述经预测模型输出数据与所述验证数据集的输出数据来确定所述经训练第一神经网络模型的第一有效分数。用于确定所述目标函数模型的所述指令还可包含：定义第二神经网络模型配置；使用所述经定义训练数据集基于经定义第二神经网络模型配置来训练第二神经网络模型；以所述经定义验证数据集作为经训练第二神经网络模型的输入来预测模型输出数据；比较经预测第二模型输出数据与所述验证数据集的所述输出数据；及基于比较所述经预测第二模型输出数据与所述验证数据集的所述输出数据来确定所述经训练第二神经网络模型的第二有效分数。所述目标函数模型可基于经确定第一有效分数与经确定第二有效分数之间的比较而被确定为所述经训练第一神经网络模型或所述经训练第二神经网络模型。可使用所述经接收历史钻井数据确定预测模型，所述预测模型可预测被输入到所述经确定目标函数模型的控制变量的值。所述计算机可读指令还可使所述计算装置确定被输入到所述经确定目标函数模型的所述控制变量的当前预测值，所述经确定目标函数模型可进一步以所述当前预测值作为输入来执行。可使用决策树模型确定所述预测模型。所述经接收额外钻井数据可包含针对所述不同钻井操作期间的所述多个钻井控制变量中的每一者测量的第二多个值。所述目标函数模型还可最小化用于所述先前钻井操作的机械比能。所述目标函数模型还可优化所述先前钻井操作的井眼稳定性。所述目标函数模型还可优化所述先前钻井操作的所述井眼稳定性。所述经确定最优值可被输出到显示装置。所述经确定最优值可被输出到与调整所述控制的设置点相关联的控制装置。所述计算装置可物理地位于钻机上。在其它实施例中，所述计算装置可物理地远离所述钻机。在阅读以下附图、详述及随附权利要求书之后，所属领域技术人员将明白所揭示主题的其它主要特征。附图说明下文将参考附图描述所揭示主题的说明性实施例，其中相似数字标示相同元件。图1描绘根据说明性实施例的钻井数据搜集系统的方框图。图2描绘根据说明性实施例的模型定义装置的方框图。图3描绘说明根据说明性实施例的由图2的模型定义装置执行的操作的实例的流程图。图4描绘根据说明性实施例的优化装置的另一方框图。图5描绘根据说明性实施例的说明由图4的优化装置执行的操作的实例的流程图。图6描绘根据说明性实施例的关于钻井操作期间的钻速的计算。图7描绘根据说明性实施例的分布式处理系统的方框图。图8描绘根据说明性实施例的图7的分布式处理系统的事件流处理(ESP)装置的方框图。图9描绘说明根据说明性实施例的由图8的ESP装置执行的操作的实例的流程图。具体实施方式参考图1，示出根据说明性实施例的钻井数据搜集系统100的方框图。钻井数据搜集系统100可包含多个钻机101、网络110及数据仓库112。较少、不同及/或额外组件可被并入到钻井数据搜集系统100中。为了说明，多个钻机101可包含第一钻机102、第二钻机104、第三钻机106、第四钻机108。多个钻机101可包含任何数目的钻机。多个钻机101中的某个钻机可为活动或不活动的。多个钻机101可经配置以钻出各种环境(例如，陆地、冰地、海床、深海海床等等)中的各种工业(例如，水、天然气、油、建筑、电信、电气等等)的任何类型及大小的孔。多个钻机101可局部、区域性或全局分布。网络110可包含相同或不同类型的一或多种网络。网络110可为有线及/或无线公共或专用网络的任何类型或组合，包含蜂窝网络、局域网、广域网，例如因特网等等。网络110进一步可包括子网络且由任何数目的装置组成。多个钻机101通过网络110将通信发送到数据仓库112。多个钻机101可使用如所属领域技术人员了解的可为有线及/或无线的各种发射媒体进行通信。数据仓库112存储来自多个钻机101的钻井数据，其包含针对钻孔或钻井操作期间的多个钻井控制变量(用于预测模型化的相依或目标变量)中的每一者测量的多个值。所述多个值可经测量用于某个时段内的多个时刻的多个钻井控制变量中的每一者。例如，所述多个值可经测量用于长达一年的时段内每小时的多个钻井控制变量中的每一者，但是也可使用其它时段长度及测量间隔。参考图2，示出根据说明性实施例的模型定义装置200的方框图。模型定义装置200可位于多个钻机10本文档来自技高网...

【技术保护点】
一种其上存储计算机可读指令的非暂时性计算机可读媒体，所述计算机可读指令在由计算装置执行时使所述计算装置：接收来自钻井操作的钻井数据，其中所述钻井数据包含针对所述钻井操作期间的多个钻井控制变量中的每一者测量的多个值；使用所述经接收钻井数据确定目标函数模型，其中所述目标函数模型最大化用于所述钻井操作的钻速；接收包含用于不同钻井操作的当前钻井数据值的经测量钻井数据；通过以包含用于所述不同钻井操作的所述当前钻井数据值的所述经测量钻井数据作为输入执行所述经确定目标函数模型来确定用于所述不同钻井操作的控制的最优值；及输出所述经确定最优值用于所述不同钻井操作的所述控制。

【技术特征摘要】
【国外来华专利技术】2013.09.19 US 61/879,933;2014.09.18 US 14/490,1891.一种其上存储计算机可读指令的非暂时性计算机可读媒体，所述计算机可读指令在由计算装置执行时使所述计算装置：接收来自先前钻井操作的历史钻井数据，其中所述历史钻井数据包含针对所述先前钻井操作期间的多个钻井控制变量中的每一者测量的多个值；使用所述经接收历史钻井数据及神经网络模型确定目标函数模型，其中所述目标函数模型最大化用于所述先前钻井操作的钻速；接收包含用于不同钻井操作的当前钻井数据值的经测量钻井数据，其中所述不同钻井操作意指所述不同钻井操作的井眼不同于所述先前钻井操作的井眼；通过以包含用于所述不同钻井操作的所述当前钻井数据值的所述经测量钻井数据作为输入执行所述经确定目标函数模型来确定用于所述不同钻井操作的控制的最优值；输出所述经确定最优值用于所述不同钻井操作的所述控制；接收额外钻井数据，其中所述额外钻井数据包含针对所述多个钻井控制变量中的每一者测量的第二多个值，其中所述额外钻井数据是在输出所述经确定最优值用于所述不同钻井操作的所述控制之后而测量；使用所述经接收额外钻井数据确定第二目标函数模型，其中所述第二目标函数模型最大化所述先前钻井操作的钻速；接收包含用于所述不同钻井操作的第二当前钻井数据值的第二经测量钻井数据；通过以包含用于所述不同钻井操作的所述第二当前钻井数据值的所述第二经测量钻井数据作为输入执行所述经确定第二目标函数模型来确定用于所述不同钻井操作的所述控制的第二最优值；及输出所述经确定第二最优值用于所述不同钻井操作的所述控制。2.根据权利要求1所述的非暂时性计算机可读媒体，其中所述目标函数模型是通过评估多种神经网络模型配置来确定。3.根据权利要求1所述的非暂时性计算机可读媒体，其中确定所述目标函数模型包括：定义训练数据集作为所述经接收历史钻井数据的第一部分；定义验证数据集作为所述经接收历史钻井数据的第二部分；定义第一神经网络模型配置；使用所述经定义训练数据集基于所述经定义第一神经网络模型配置来训练第一神经网络模型；以所述经定义验证数据集作为所述经训练第一神经网络模型的输入来预测模型输出数据；比较所述经预测模型输出数据与所述验证数据集的输出数据；及基于比较所述经预测模型输出数据与所述验证数据集的输出数据来确定所述经训练第一神经网络模型的第一有效分数。4.根据权利要求1所述的非暂时性计算机可读媒体，其中预测模型是使用所述经接收历史钻井数据来确定，其中所述预测模型预测被输入到所述经确定目标函数模型的控制变量的值。5.根据权利要求1所述的非暂时性计算机可读媒体，其中所述目标函数模型进一步最小化用于所述先前钻井操作的机械比能。6.根据权利要求1所述的非暂时性计算机可读媒体，其中所述目标函数模型进一步优化所述先前钻井操作的所述井眼稳定性。7.根据权利要求1所述的非暂时性计算机可读媒体，其中所述经确定最优值被输出到显示装置。8.根据权利要求1所述的非暂时性计算机可读媒体，其中所述经确定最优值被输出到与调整所述控制的设置点相关联的控制装置。9.根据权利要求3所述的非暂时性计算机可读媒体，其中确定所述目标函数模型进一步包括：定义第二神经网络模型配置；使用所述经定义训练数据集基于所述经定义第二神经网络模型配置来训练第二神经网络模型；以所述经定义验证数据集作为所述经训练第二神经网络模型的输入来预测第二模型输出数据；比较所述经预测第二模型输出数据与所述验证数据集的所述输出数据；及基于比较所述经预测第二模型输出数据与所述验证数据集的所述输出数据来确定所述经训练第二神经网络模型的第二有效分数。10.根据权利要求4所述的非暂时性计算机可读媒体，其中所述计算机可读指令进一步使所述计算装置确定被输入到所述经确定目标函数模型的所述控制变量的当前预测值，其中所述经确定目标函数模型是进一步以所述当前预测值作为输入来执行。11.根据权利要求4所述的非暂时性计算机可读媒体，其中使用决策树模型确定所述预测模型。12.根据权利要求5所述的非暂时性计算机可读媒体，其中所述目标函数模型进一步优化用于所述先前钻井操作的所述井眼稳定性。13.根据权利要求9所述的非暂时性计算机可读媒体，其中所述目标函数模型基于所述经确定第一有效分数与所述经确定第二有效分数之间的比较而被确定为所述经训练第一神经网络模型或所述经训练第...

【专利技术属性】
技术研发人员：莫里·莱恩，戴维·波普，基思·R·霍尔达威，詹姆斯·杜阿尔特，
申请(专利权)人：萨思学会有限公司，
类型：发明
国别省市：美国;US